基于多尺度与字典学习的图像超分辨率重建
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 选题的背景与意义 | 第9-10页 |
| 1.2 国内外的研究现状 | 第10-13页 |
| 1.3 论文的主要工作和内容安排 | 第13-15页 |
| 2 超分辨率重建技术 | 第15-25页 |
| 2.1 超分辨率重建概述 | 第15页 |
| 2.2 重建算法的分类 | 第15-19页 |
| 2.2.1 基于插值的方法 | 第15-17页 |
| 2.2.2 基于正则化的方法 | 第17-18页 |
| 2.2.3 基于学习的方法 | 第18-19页 |
| 2.3 图像金字塔 | 第19-20页 |
| 2.4 多尺度自相似性 | 第20-21页 |
| 2.4.1 相似性 | 第20页 |
| 2.4.2 相似性度量方法 | 第20-21页 |
| 2.4.3 多尺度图像之间的结构相似性 | 第21页 |
| 2.5 超分辨率重建算法的评价标准 | 第21-23页 |
| 2.6 本章小结 | 第23-25页 |
| 3 基于多尺度自相似学习的图像超分辨率重建方法 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 多尺度自相似性概述 | 第25-26页 |
| 3.3 基于稀疏表示的超分辨率重建方法 | 第26-28页 |
| 3.3.1 字典训练阶段 | 第26-27页 |
| 3.3.2 图像重建阶段 | 第27-28页 |
| 3.4 字典训练阶段的改进 | 第28-30页 |
| 3.4.1 训练样本库的获取 | 第28-29页 |
| 3.4.2 重建高分辨率图像 | 第29-30页 |
| 3.5 图像重建阶段的改进 | 第30-31页 |
| 3.5.1 自适应加权改进目标公式 | 第30-31页 |
| 3.5.2 迭代算法 | 第31页 |
| 3.6 实验结果及分析 | 第31-35页 |
| 3.7 本章总结 | 第35-37页 |
| 4 基于改进的K-SVD字典学习重建方法 | 第37-49页 |
| 4.1 引言 | 第37页 |
| 4.2 图像稀疏表示模型 | 第37-38页 |
| 4.2.1 小块图像稀疏模型 | 第37-38页 |
| 4.2.2 整体图像稀疏模型 | 第38页 |
| 4.3 改进的OMP稀疏分解算法 | 第38-41页 |
| 4.3.1 OMP算法 | 第39-40页 |
| 4.3.2 改进的OMP算法 | 第40-41页 |
| 4.4 改进的K-SVD字典学习重建方法 | 第41-43页 |
| 4.4.1 K-SVD算法 | 第41-42页 |
| 4.4.2 改进的K-SVD算法 | 第42-43页 |
| 4.5 实验结果对比和分析 | 第43-48页 |
| 4.5.1 字典项个数的选择 | 第44-46页 |
| 4.5.2 和其他算法的性能对比 | 第46-47页 |
| 4.5.3 噪声图像的超分辨率重建 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57页 |
